Geri Dön

Bayesian model pooling for the analysis of generalized linear models with missing-not-at-random covariates

Rastgele olmayan kayıp verili değişkenler içeren genelleştirilmiş doğrusal modellerin analizi için Bayesiyen model havuzu

PDF İndir

  1. Tez No: 649359
  2. Yazar: SEZGİN ÇİFTÇİ
  3. Danışmanlar: DOÇ. DR. ZEYNEP IŞIL KALAYLIOĞLU AKYILDIZ
  4. Tez Türü: Doktora
  5. Konular: İstatistik, Statistics
  6. Anahtar Kelimeler: Genelleştirilmiş doğrusal modeller, Generalized linear models
  7. Yıl: 2020
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Kayıp veri, modelleme ve istatistiksel analizlerde araştırmacıların en temel sorunlarından biridir. Kayıp veri mekanizması değişkenin kendisine bağlı ise, rastgele olmayan kayıptır (MNAR). Ayrıca, istatistikte en iyi modeli bulmak her zaman araştırmacıların odak noktasıdır. Bununla birlikte, aynı en iyi uyuma sahip ancak katsayı tahminlerinde farklılık gösteren modellerin olabileceği literatürdeki bazı örneklerden bilinmektedir. Dolayısıyla model seçimi konusunda bir belirsizlik vardır ve bu belirsizlik özellikle MNAR mekanizmasının neden olduğu tahminlerin isabeti konusundaki belirsizlikle birlikte model katsayısı tahminlerinde sorun yaratabilir. Bu tezde, MNAR'a sahip ortak değişkenleri bulunan genelleştirilmiş doğrusal bir modelin (GLM) analizi için Bayes Yaklaşımlı Model Ortalaması (BMA) ve Geriye Sıçramalı Monte Carlo Markov Zinciri (RJMCMC) metotlarını kullanarak oluşturulan hibrit bir Bayes yaklaşımlı model havuzlama sistemi (BMP) önerilmiştir. MNAR'a sahip verilerde değişken hakkında göz ardı edilemeyecek ek bilgiler olduğundan, ana model (GLM) ve kayıp veri mekanizması birlikte modellenmelidir. Tam koşullu model ve Bayes yaklaşımının özellikleri kullanılarak birleşik model adayları arasından en iyi uyumluları içeren uygun bir model uzayı tanımlanır. Ardından, model uzayındaki her bir model için model katsayılarının sonsal dağılımları RJMCMC yaklaşımı kullanılarak elde edilir. Son olarak, nihayi katsayı tahminleri, her model için bulunan sonsal dağılımlardan elde edilen tahminler, yine RJMCMC algoritmasında hesaplanan sonsal model olasılıklarıyla ağırlıklandırılarak elde edilir.

Özet (Çeviri)

Missing data in modeling is one of the main problems of researchers. If the missingness mechanism is related to the value of the variable itself, then the missing is defined as not-at-random (MNAR). Additionally, finding the best model in statistics has always been the focus of researchers. However, it's known from examples that there may be any other model with the same best fit but has different estimated coefficients. Hence, an uncertainty about model selection that may be problematic in estimation especially when there is also uncertainty about the accuracy of the estimations caused by MNAR mechanism can cause misleading inferences. In this thesis, a hybrid Bayesian method is developed for the analysis of a generalized linear model (GLM) with MNAR covariates. In the analysis of GLM with MNAR covariates, main response and missingness probabilities of the MNAR covariates are modeled jointly. In our approach, we create a model space as a set of the best fits among all possible joint models. This is accomplished by the Reversible Jump Monte Carlo Markov Chain (RJMCMC) approach that is adopted here. Coefficient estimates are obtained by pooling the posterior estimations of each model with the posterior model probabilities, which are also calculated within RJMCMC algorithm.

Benzer Tezler

  1. Tez No

    582896

    Şehir merkezlerindeki alışveriş merkezlerinin park yeri politikaları

    Park policies of shopping malls in the city center

    KÜBRA ÜGE

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    EkonomiGebze Teknik Üniversitesi

    Ekonomi Ana Bilim Dalı

    DOÇ. DR. SADETTİN HALUK ÇİTÇİ

  2. Tez No

    763460

    A memory efficient novel deep learning architecture enabling diverse feature extraction on wearable motion sensor data

    Giyilebilir hareket algılayıcıları verisi ile kapsamlı öznitelik çıkarma sağlayan bellek verimli yenilikçi bir derin öğrenme mimarisi

    ENES KOŞAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. BİLLUR BARSHAN ÖZAKTAŞ

  3. Tez No

    603751

    Bayesian model selection for latent variable causal networks by sequential monte carlo

    Gizli değişkenli nedensel ağlarda parçacık süzgeci ile Bayesci model seçimi

    MEHMET BURAK KURUTMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ TAYLAN CEMGİL

  4. Tez No

    492552

    Generalised Bayesian model selection using reversible jump Markov chain Monte Carlo

    Tersine atlamalı Markov zinciri Monte Carlo kullanarak genelleştirilmiş Bayesçi model seçimi

    OKTAY KARAKUŞ

    Doktora

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik Mühendisliğiİzmir Yüksek Teknoloji Enstitüsü

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MUSTAFA AZİZ ALTINKAYA

    DOÇ. DR. ERCAN ENGİN KURUOĞLU

  5. Tez No

    507371

    Changepoint model for bayesian online fraud detection in call data

    Değişim noktası modeli kullanarak arama verisinde gerçek zamanlı, bayesçi telefon dolandırıcılığı tespiti

    HİLAL TÜYSÜZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Endüstri ve Endüstri MühendisliğiSabancı Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SİNAN YILDIRIM

Geri Dön